MARC

 008260126s2025        us                              c    eng  d
■001000017357068
■00520260202103126
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798315729082
■035    ▼a(MiAaPQ)AAI31938728
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aChen,  Jiawen.
■24510▼aAdvanced  Machine  Learning  and  Artificial  Intelligence  Methods  for  Spatial  Omics
■260    ▼a[Sl]▼bThe  University  of  North  Carolina  at  Chapel  Hill▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a160  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-11,  Section:  B.
■500    ▼aAdvisor:  Li,  Yun;Li,  Didong.
■5021  ▼aThesis  (Ph.D.)--The  University  of  North  Carolina  at  Chapel  Hill,  2025.
■520    ▼aSpatial  transcriptomics  (ST)  technology  has  revolutionized  our  understanding  of  biological  systems  by  enabling  the  simultaneous  measurement  of  gene  expression  and  the  preservation  of  spatial  localization  within  tissues.  Given  this  enriched  data  source,  the  central  question  in  spatial  omics  analysis  becomes:  How  can  we  efficiently  utilize  all  this  information  and  what  important  biological  question  can  we  answer?  In  this  dissertation,  we  aim  to  develop  ML  and  AI  methods  to  address  the  pressing  biological  problems  in  spatial  omics  data  analysis.In  the  first  section,  we  present  POLARIS,  a  versatile  ST  analysis  method  that  can  perform  cell  type  deconvolution,  identify  anatomical  or  functional  layer-wise  differentially  expressed  (LDE)  genes,  and  enable  cell  composition  inference  from  histology  images.  POLARIS  employs  transfer  learning  to  extract  meaningful  features  from  images  of  each  spot  and  its  surroundings.  These  features  are  then  input  into  a  deep  neural  network  guided  by  Bayesian  posterior  probabilities  to  estimate  cell  compositions.  This  integration  significantly  enhances  accuracy,  and  allows  for  predicting  cell-type  proportions  in  unmeasured  regions  and  applying  to  new  histology  images  without  corresponding  gene  expression  data.In  the  second  section,  we  propose  StarTrail,  a  novel  ML  method  that  leverage  spatial  gradients  for  spatial  omics  data.  StarTrail  investigates  where  and  how  does  the  omics  feature  change  through  spatial  gradients,  which  map  the  rate  of  change  of  omics  features  across  spatial  positions.  This  approach  allows  us  to  identify  zones  of  rapid  change,  characterized  by  high  spatial  gradients,  which  often  correspond  to  critical  biological  junctures  such  as  interfaces  between  lesional/diseased  and  healthy/normal  tissues  or  regions  with  distinct  functions.  StarTrail,  filling  important  gaps  in  current  literature,  enables  deeper  insights  into  tissue  spatial  architecture.In  the  third  section,  we  introduce  the  Nearest  Neighbor  Derivative  Process  (NNDP),  a  scalable  Gaussian  Process  framework  that  jointly  models  spatial  processes  and  their  derivatives,  resulting  a  time  complexity  reduction  from  O(n3)  to  O(n).  NNDP  improves  StarTrail  in  the  second  section  by  providing  less  hyper-parameter  tuning,  more  theoretical  support.  NNDP  robustly  and  accurately  estimates  spatial  derivatives  in  various  simulated  spatial  patterns  and  real  data  analysis.
■590    ▼aSchool  code:  0153.
■650  4▼aBiostatistics
■650  4▼aCellular  biology
■650  4▼aBioinformatics
■650  4▼aGenetics
■653    ▼aSpatial  transcriptomics
■653    ▼aGene  expression
■653    ▼aCell  type
■653    ▼aHistology  images
■653    ▼aStarTrail
■690    ▼a0308
■690    ▼a0379
■690    ▼a0369
■690    ▼a0715
■71020▼aThe  University  of  North  Carolina  at  Chapel  Hill▼bBiostatistics.
■7730  ▼tDissertations  Abstracts  International▼g86-11B.
■790    ▼a0153
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357068▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books